基于SOP-SRL波段选择和3D-Gabor滤波的高光谱图像分类

陈立伟， 张雅涵， 王立国 (哈尔滨工程大学 信息与通信工程学院，黑龙江 哈尔滨 150001)

随着传感器分辨率的快速发展，高光谱遥感影像具有了很高的空间分辨率和光谱分辨率[1]。高光谱图像由大量相关波段组成，数据维数高且带有标签的样本少，经典的分类方法往往只利用了光谱信息，而高光谱图像具有空间聚类的特征，同时利用空间信息和光谱信息可以提高分类的准确性，更好地挖掘有用信息[2-3]。Camps-valls等[4]提出使用基于复合核(composite kernel, CK)的空谱分类算法对高光谱进行分类，使用线性组合空间核和光谱核来代替支持向量机(support vector machine, SVM)中的核函数。Menon等[5]受CK算法的启发，提出使用最近邻的组合核空谱对高光谱图像分类，在CK的基础上运用了预处理步骤。Tarabalka等[6-8]提出马尔科夫随机场(Markov random field，MRF)与SVM分类器结合使用的分类算法，使用MRF引入的空间信息来调整SVM中得到的初步分类值。Liu等[9]提出了SVMSLR的分类算法，该算法将空间背景信息引入SVM，显著地提高了分类精度。空间-光谱特征描述的目的是根据原始光谱信息和邻近像素的空间信息，获取图像中每个像素的特征向量。然而，特征数量的增多可能会导致维数灾难。所以，在实际应用中对高光谱图像进行降维处理对后续分析变得尤为重要。主成分分析 (principal components analysis, PCA)是进行降维的主要方法,它将高光谱波段根据最高主成分的方差最大化，转化为线性不相关的成分。PCA变换虽然降低了维数，但是一定程度上会破坏高光谱图像的空间结构和相邻特征的局部信息，对后续特征提取及分类结果造成影响。……